Interpretación artificial de condiciones geométricas y funcionales de cáminos mineros a través de imágenes.

Abstract

En la industria minera, la eficiencia de los caminos de transporte es crítica para aumentar la productividad, reducir costos operativos y mejorar la seguridad en la operación. Existe la oportunidad de mejorar la obtención de condiciones geométricas y funcionales del terreno, con el fin de facilitar el diseño y el desarrollo de planes de mantenimiento de rutas mineras, por lo tanto, se debe plantear una metodología que permita la obtención de variables como la rugosidad y la pendiente del terreno, con el fin de poder caracterizar el camino facilitando la toma de decisiones. El objetivo del presente trabajo es diseñar una herramienta que permita interpretar las variables geométricas y funcionales de las rutas de transporte minero captadas a través de imágenes mediante métodos de clusterización, para poder obtener covariables de un modelo de mantenimiento PHM. Los resultados muestran que se logra validar la metodología para el cálculo de pendientes mediante mapas de calor, demostrando una asociación positiva modesta entre las variables pendiente y rugosidad, permitiendo además segmentar y caracterizar las rutas mineras. KMeans permite cuantificar las variables requeridas como la rugosidad, la cual es confiable mediante supuestos sobre la variable intensidad, además de proporcionar una herramienta adaptable a los requerimientos de cada usuario para su futura incorporación en modelos predictivos. Se propone extender la herramienta hacia un modelo de mantenimiento predictivo completo y explorar métodos alternativos de clusterización que mejoren la precisión en terrenos de alta variabilidad.